tesseract

Tesseract 是一个开源的光学字符识别（OCR）引擎，用于将图像中的文字内容转换为可编辑的文本。它支持基于LSTM神经网络的现代OCR引擎和传统的模式匹配引擎，提供对100多种语言的Unicode（UTF-8）识别能力，并兼容PNG、JPEG、TIFF等多种图像格式；输出支持纯文本、PDF、hOCR、TSV、ALTO等格式。项目以C++实现，强调准确率与跨语言泛化能力，适用于文档数字化、票据识别、多语种扫描件处理等需要高精度离线OCR的场景。